g0cr / g0vcaptcha

Strategy

此專案的目的在批次處理文件的掃描圖檔，轉換為文字。

*.gov.tw 上許多報告文件雖是 PDF，但其內容卻是紙本報告掃描而成的圖檔，無法快速傳成文字格式、或建立索引。因此必需要由人工來處理。

運作方面，打算仿效 recaptcha 的方式，先把圖檔切成較小的文字區塊，一方面可以丟給程式做 OCR，另一方面做出界面讓使用者提供正確答案。

最終的產品，是把上傳的圖檔轉成純文字格式，讓人可以搜尋，或讓外部搜尋引擎可以抓取內容回去。

Scope

web app: http://g0cr.gugod.org/

git repo: https://github.com/g0v/g0vcaptch

Web App

• 讓人上傳文件
• 顯示機器辨識的結果

• 實做多種機器辨識演算法，以提升整體的正確率（recall）
• 讓人可修正機器辨識的文字
• 顯示人工辨識的結果
• 提供搜尋介面，讓人可搜尋文件內容
• 提供每份文件的靜態版，讓外部搜尋引擎抓取
• 讓人可提供文件的輔助資訊，例如：來源，摘要，原下載網址。

Background job

• 抓取文件中有字的區塊，並進行機器辨識
• 目前使用 tesseract 做成 HOCR 格式的輸出。

• 整合所有區塊，製成成靜態版（純文字及 HTML）

Structure

Wireframe / Content

Visual

白老鼠/狗食部落客

• 如果有這功能，我可以把我們所有客戶的captcha都逐步換上。